基于无人机多光谱影像的水稻冠层SPAD值预测研究

比较筛选水稻冠层SPAD值估测模型，为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像，选取7种常用的植被指数，利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明，在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同，拔节期最高的是GNDVI，抽穗期最高的是CI_Green，乳熟期最高的是CI_Rededge。抽穗期是水稻叶片SPAD值反演的最佳时期，模型具有较好的建模精度和估测效果，其中多元线性回归的建模精度较高，偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。     

基于遥感数据的森林水源涵养估测研究

森林水源涵养是森林生态功能的重要指标,测定森林的水源涵养量能很直观地了解森林资源的生态价值,能够为确定森林资源保护措施与经营策略提供有力的数据支持。以吉林省柳河县为研究区,以Landsat-5 TM遥感影像为基础数据,提取相关因子,根据样地实测数据建立森林水源涵养遥感估测模型,经过精度检验,模型的预测精度达到79.24%。利用模型进行了柳河县森林水源涵养量反演,得出柳河县森林水源涵养量为4.62×10⁶ m³。形成柳河县森林水源涵养量分布图,并从空间上分析了森林水源涵养能力与空间要素的关系。     

偏最小二乘回归在Hyperion影像叶面积指数繁衍中的应用

叶面积指数(Leaf Area Index,LAI)是一个重要的森林结构参数指标,遥感技术被认为是区域LAI反演的有效手段。现有遥感反演模型多以单变量的曲线估计及线性回归模型为主,模型的通用性、建模精度以及植被指数的选择上需要更进一步的探讨。论文以攸县黄丰桥林场为研究区,Hyperion影像为数据源,提取归一化植被指数(NDVI)、比值植被指数(RVI)等13个因子,利用LAI-2000冠层分析仪开展130个样地(60 m×60 m)的叶面积指数测量,选用变量投影重要性(VIP)指标、变量解释能力及变量权重作为变量筛选的依据,采用偏最小二乘回归分析方法建立植被指数与实测样地的回归模型,开展叶面积指数反演并制图。研究结果表明：偏最小二乘回归分析在LAI反演中取得了较好的预测效果,其中以6个植被因子建立的回归模型预测精度最高,预测值与实测值的决定系数R2为0.91;LAI与植被指数之间具有良好的线性关系,其中RVI与LAI的相关性最大;残差分析表明,反演模型的自变量个数选取以4~6个为宜。     

多源遥感数据在森林资源监测上的应用现状与发展趋势

文章对多源遥感在森林资源监测的应用现状及发展趋势进行阐述，相比传统森林资源监测投入大量人力开展外业调查，卫星遥感和无人机遥感在森林资源监测中具有明显优势。在基于多源遥感数据开展的森林资源监测研究中，笔者重点对比5种多源遥感在森林资源监测中的应用，包括森林病虫害监测、林分树高测定、森林冠层结构测定、树种组成及森林分类、森林生物量测定。认为资源卫星、微波遥感、成像光谱技术及三维遥感中的森林资源监测新技术、新方法，如深度学习智能分类、多源遥感融合技术将成为未来多源遥感森林资源监测新手段，应用差分GPS、三维遥感及高光谱结合数学计算机技术，可以提高不同层级的森林资源估测精度；无人机遥感的自动化、信息化将是无人机遥感应用于森林资源监测中的发展趋势；此外，长时间续航能力、搭载多类型传感器将进一步提高无人机遥感对森林资源的精准监测。     

基于无人机RGB遥感的甘蔗株高估测

为快速准确地估测甘蔗不同生育期株高，探讨了无人机RGB系统遥感估算株高的可行性及效果。利用无人机RGB遥感平台，获取苗期、分蘖期、伸长中、后期和工艺成熟期的影像，通过Pix4D mapper生成数字表面模型（digital surface model,DSM），采用Eris Arcmap提取株高，基于DSM提取的株高与实测株高建立各生育期的估测模型，采用决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）对模型进行评价。结果表明，基于DSM提取甘蔗各生育期的株高高于实测株高；全生育期模型拟合性最好，预测精度较高（验证集R2、RMSE和MRE分别为0.9611、0.1623和0.1102），苗期株高模型预测精度最高。其他各生育期模型的拟合性不及全生育期和苗期，精度较低，工艺成熟期模型的预测精度最低，拟合性最差。因此，基于无人机RGB遥感平台获取甘蔗不同生育期影像后通过DSM提取株高并运用于甘蔗重要生育期株高的估测时，注意不同生育期模型的适用性。     

耕层土壤含水量间接光谱估测模型

为克服光学卫星遥感只能获取表层土壤光谱信息而不能用于直接估测耕层土壤含水量的局限性,建立基于表层土壤高光谱的耕层土壤含水量间接估测模型。以山东省济阳县85个潮土样本的含水量及高光谱数据为基础,根据表层与耕层土壤含水量的内在关系,建立耕层土壤含水量间接光谱估测模型。结果表明,表层土壤光谱反射率的对数变换效果较好,以1339、1457、1745、1969、1996 nm波段的对数变换值为估测因子,采用多元线性回归模型建立的表层含水量估测模型的决定系数为R ²=0.8911,平均相对误差为13.67%;土壤耕层与表层含水量之间存在着显著的相关性,R ²=0.8131;耕层土壤含水量间接光谱估测模型的精度较高,决定系数R ²=0.8138,平均相对误差为9.66%。研究表明,山东省济阳县潮土表层、耕层含水量之间存在着显著的相关性,利用表层土壤光谱间接估测耕层土壤含水量是可行有效的。     

化州市晚稻稻飞虱主害代发生期及发生程度气象预测模型

化州是广东省重要的水稻生产基地。稻飞虱是化州市主要的水稻害虫之一。笔者就6代稻飞虱发生期和发生程度与气象条件之间的关系进行分析研究,利用气象因子预测稻飞虱的发生与发展,以提高稻飞虱发生期和发生程度预测的准确性。应用SPSS分析软件进行逐步回归分析,对广东省化州市1996—2011年的晚稻稻飞虱主害代调查资料和气象观测资料进行分析,筛选出适合的气象预报因子,分别建立晚稻稻飞虱主害代成虫高峰期、若虫高峰期、发生程度和发生面积统计预报模型,用2012年和2013年的资料作为独立样本用于模型效果检验。结果表明,上述预测模型均通过0.01显著性统计检验。将化州市1996—2011年各年度对应的气象观测数据代入各式,模拟值与实测值的逐年变化趋势比较吻合,相对准确率分别为87.5%、93.8%、90.9%、94.2%。对建模内预报值和2012、2013年预报应用效果进行验证,模拟值与实测值基本吻合,可以为该区稻飞虱预测预报服务。可见通过逐步回归分析法对化州市晚稻稻飞虱主害代（6代）的发生期及发生程度进行预测,只要所选择的气象因子与相应的实测值有较高的相关性,就能较准确预测出发生期及发生程度范围;在稻飞虱发生期和发生程度模型建立中,选取的气象因子取了前驱值,所建立的模型更具预测性。     

棉花叶绿素密度和叶片氮积累量的高光谱监测研究

利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术,研究表明,棉花冠层叶绿素密度（CH.D）和叶片氮积累量（LNA）分别在反射光谱762 nm和763 nm处的相关系数达最大值（R_CH.D= 0.8845**和R_LNA= 0.7870**,n = 47）;而一阶微分光谱数据对CH.D、LNA最敏感的波段均发生在750 nm处(R_CH.D= 0.9098**和R_LNA = 0.9164**,n = 47);采用47个建模样本的一阶微分光谱750 nm处的数值与棉花冠层CH.D建立线性相关模型方程,估算47个检验样本的棉花冠层CH.D,再根据CH.D与LNA建立的线性相关方程估算检验样本的LNA,47个检验样本的实测LNA与估测LNA极显著线性相关（R = 0.8982**,n = 94）,模型方程的估算精度达86.3%,实测值与估算值的R_MSE = 1.0155,相对误差为0.1380。说明基于高光谱数据的棉花冠层叶绿素密度的遥感估测,可以间接用于棉花冠层叶片氮积累量的监测研究。     

基于高分卫星影像的青岛市冬小麦种植信息提取

为了准确获取青岛市主要农作物冬小麦的种植信息,以GF-1/16 m卫星影像为主要数据源,将高程、土地利用和田间调查数据作为辅助数据源,根据冬小麦主要发育期与其他地物在GF-1/16 m卫星影像上的光谱差异,计算得到4月份为青岛市冬小麦遥感面积提取的最佳时相。在最佳时相内,采用决策树分类法,通过分区解译方式,提取出青岛市2017年冬小麦种植面积和分布区域,并利用GF-2融合后 1 m卫星影像、地面调查数据和统计局公布数据对分类结果进行精度验证。结果表明:利用GF-1/16 m卫星影像在幅宽、时间和空间分辨率的优势,将土地利用和高程等引入决策树分类模型,进行区域尺度的冬小麦种植面积遥感估算的方法是可行的。经精度验证,2017年青岛市冬小麦遥感解译总精度为94.3%,Kappa系数为0.857。遥感提取面积略小于统计局公布数据,面积总量提取精度为93.6%。本研究为基于高分卫星影像的区域尺度作物种植面积提取提供参考。     

基于GF-1卫星数据与面向对象分类的达里诺尔湿地自然保护区土地覆盖信息提取

以达里诺尔湿地自然保护区为研究区,基于国产GF-1遥感影像,采用面向对象和传统目视解译的分类方法对研究区土地覆盖遥感信息进行提取,并对其结果进行对比分析,采取混淆矩阵对面向对象分类结果进行精度验证。结果表明：（1）充分利用了GF-1遥感影像的光谱信息,面向对象分类采取试错法确定最优分割尺度为550,形状和紧致度因子分别为0.6和0.5,各波段权重均为1。（2）面向对象分类总体分类精度达98.22％,KAPPA系数为0.96;（3）面向对象分类方法可快速准确提取类型较为复杂的土地覆盖信息,为内陆湿地精准快速提取研究区土地覆盖分类信息提供参考,以期为湿地遥感业务化监测提供技术规范。     

基于高光谱分数阶微分的烟叶SPAD值估测

基于高光谱分数阶微分估测烟叶SPAD值,旨在提升高光谱数据估测烟叶SPAD值的准确度。首先,确定估测烟叶SPAD值的最优变换方式,并进行分数阶微分处理;然后,基于相关性分析、袋外数据(OOB)重要性、随机森林(RF)相结合的方法,筛选特征波长;最后构建烟叶SPAD值估测模型。结果表明：（1）估测烟叶SPAD值的特征波长主要有绿波段(499、500 nm),红边波段(634、636、702、703、732 nm)、近红外波段(972、1286、1289、1295、1298、1316 nm)、短红外波段(1450、1453、1456、1806 nm)。（2）以1.9阶次的特征波长所构建的RF-SPAD模型的精度最高,R²=0.690,较0、1、2阶次分别提高了22.1%、42.6%、87%,RMSE=2.799,比0、1、2阶分别减少了13.5%,20.2%,27.8%。利用1.9阶次特征波长构建的RF-SPAD模型较整数阶次模型有效提高了烟叶SPAD值的估测精度,为高光谱分数阶微分技术估测SPAD值提供了新的思路。     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。     

基于随机森林法的棉花叶片叶绿素含量估算

为了高效和无损地估算棉花叶片的叶绿素含量,本研究测定了棉花光谱反射率及叶绿素含量(soilandplant analyzerdevelopment,SPAD)值,对光谱数据进行包络线去除处理、立方根转换和倒数转换,以SPAD值与反射光谱之间的相关性为基础,通过随机森林法筛选出对棉花叶片SPAD值影响较大的特征波段,构建估算棉花叶片SPAD值的BP神经网络(back propagation artificial neural networks, BP ANN)、偏最小二乘回归(partial least squares regression,PLSR)两个模型。结果表明,在605～690nm范围内的反射率与SPAD值相关性达0.01显著水平,均呈负相关,相关系数最高值为-0.619。与原始光谱相比,经过变换后的棉花反射率与SPAD值相关性结果相差较大,其中去除包络线光谱在550～750 nm波段范围有效提高了相关性,相关性效果优于倒数转换数据和立方根转换数据。随机森林法能够有效评出对SPAD值影响较大的特征波段,进而提高模型估算精度。在两种模型中,基于去除包络线光谱建立的PLSR和BP神经网络模型的决定系数R~2分别为0.92、0.83,说明这两种模型的估算能力较好;两种模型RMSE分别为0.88、1.26, RE分别为1.30%、1.89%,表明PLSR模型的估算精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算棉花SPAD值方面有一定的优势和参考价值。     

多参数冬小麦估产模型研究及产量影响因素分析

产量估算研究对制定粮食政策和经济计划,科学地进行粮食宏观调控有着重要意义。针对以往线性遥感估产模型中多是基于NDVI和LAI的研究,且参数间存在多重共线性等问题,该研究以河北省南部石家庄、保定、邯郸、邢台、衡水、沧州六市为研究区,选用2000—2008 年的种植区最佳时相NDVI、LAI累加值,并引入与小麦生物量积累密切相关的不同月份地表温度作为原始估产指标,针对参数累加值存在的误差,提出一个修正公式对NDVI、LAI 进行修正,再对选用参数进行主成分分析,将结果与冬小麦产量数据建立出4 个多参数综合作用的冬小麦遥感估产模型。结果表明,利用2009 年数据对模型进行验证,结果表明4 个模型的R2介于0.714~0.818 之间,估产精度均在93.0%以上,其中,综合所有遥感参数的模型拟合效果最好,R2为0.818,估产精度达95%,而且引入温差主成分的模型精度高于仅用NDVI、LAI作参数的模型,另外深入分析各参数对产量估测的影响可知4 月中旬和5 月中旬的地表昼夜温差对冬小麦的后期产量具有较大影响。     

基于高光谱的水稻叶片氮含量估计的深度森林模型研究

高光谱遥感已经成为快速诊断作物水氮状态的一种有效手段。然而,传统的回归方法和机器学习往往难以挖掘高光谱的全部信息,深度神经网络又通常需要大量的训练数据,因此本研究试图探索在少量数据条件下构建深度学习模型并实现叶片氮含量的精准估计。通过在湖北省监利县开展了连续2年不同氮素胁迫水平的水稻试验,测量了作物全生育期内的216组冠层光谱和叶片氮含量。基于一阶导数光谱,本文构建了一种新的深度学习模型(深度森林DF)来进行叶片氮含量的反演,并与2种经典机器学习模型(随机森林RF和支持向量机SVM)和一种深度神经网络模型(多层感知器MLP)进行比较。结果表明,在基于少量高光谱数据的情况下,DF对水稻叶片氮含量的估算精度要高于MLP,其中预测精度最高的模型为全波段光谱反演的DF模型(R²=0.919,RMSE=0.327)。在2种经典机器学习模型中,RF的估计效果优于SVM,但2种模型结果都不够稳定。研究表明,深度森林可以提升高光谱反演叶片氮含量的精度和稳定性,并且可以通过多粒度扫描相对减轻过拟合程度。该研究结果可为少量数据条件下快速监测作物叶片氮含量提供参考。